三种适合初学者的特征提取技术
介绍
您以前是否使用过图像数据？或许您想要建立自己的物体检测模型，或者只是想计算进入大楼的人数。使用计算机视觉技术处理图像的可能性是无穷无尽的。
但我最近观察数据科学发展的趋势，人们坚信，在处理非结构化数据（尤其是图像数据）时，深度学习模型是发展的方向。深度学习技术无疑表现得非常好，但这是处理图像的唯一方法吗？
并非所有人都拥有像Google和Facebook等技术巨头那样的无限资源。那么如果不使用深度学习，我们如何处理图像数据呢？
我们可以借助机器学习的力量！是的，我们可以使用简单的机器学习模型，例如决策树或支持向量机（SVM）。如果我们提供合适的数据和功能，这些机器学习模型可以充分发挥作用，甚至可以用作基准解决方案。
因此，在这篇适合初学者的文章中，我们将了解图像提取特征的不同方式。然后，您可以在自己喜欢的机器学习算法中使用这些方法！
目录
- 计算机如何保存图像？
- 使用Python读取图像数据
- 特征提取方法1：作为特征的灰度像素值
- 特征提取方法2：通道平均像素值
- 特征提取方法3：边缘提取
计算机如何保存图像？
在学习其他内容之前，了解如何在计算机上读取和存储图像非常重要。首先考虑pd.read_ 函数读取图像。
来看一个简单的例子。看下图：
我们有一个数字8的图像。仔细观察图像，会发现它是由小方框组成的，称为像素。
但是我们是以视觉形式看到的图像，可以轻松区分边缘和颜色，识别图片中的内容。但是计算机很难做到这一点。它们是以数字的形式存储图像。看看下面的图片：
计算机以数字矩阵的形式存储图像。矩阵的大小取决于给定图像中的像素数。
假设矩阵的大小为 180 x 200 或 n x m，基本上就是图像的像素数量（高x宽）。
这些像素值表示像素的强度或亮度。较小的数字（接近零）表示黑色，较大的数字（接近于255）表示白色。
下图的尺寸为 22 x 16：
上面的例子是黑白图像。那彩色图像是什么样子？彩色图像也是以二维矩阵的形式存储的吗？
彩色图像通常由多种颜色组成，几乎所有的颜色都可以从三种基色（红色，绿色和蓝色）生成。
因此，在彩色图像中有三个矩阵（或称为通道），分别表示红色，绿色和蓝色。每个矩阵具有0-255之间的值，表示该像素的颜色强度。观察下面的图像：
左边有一个彩色图像，右边有三个颜色通道矩阵。通过叠加三个通道以形成彩色图像。
注意这里的矩阵并不是给定图像的原始像素值，因为给定图像的矩阵非常大并且难以可视化。另外，还有许多其他的存储图像的格式，其中RGB方式是最受欢迎的，也就是上面的例子。
用Python读取图像数据
把理论知识付诸实践。我们将使用Python加载图像并查看图像矩阵的内容：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from skimage.io import imread, imshow
image = imread('image_8_original.png', as_gray=True)
imshow(image)
#checking image shape
image.shape, image
(28,28)
矩阵一共有784个值，这里只是完整矩阵的一小部分。
特征提取方法1：像素值作为特征
从图像提取特征的最简单方法是将这些原始像素值作为单独的特征。
以上面图像为例（数字'8'），图像的大小是28 x 28。
你能猜出这张图片的特征数量吗？特征的数量与像素的数量相同！因此，特征数量是784。
那我们如何保存这784个特征？我们可以简单地累加每个像素值来生成特征向量。如下图所示：
使用Python读取图像并使用该方法提取特征：
image = imread('puppy.jpeg', as_gray=True)
image.shape, imshow(image)
(650,450)
这个图像大小是 650 x 450。因此，它的特征数量应该是 297000。通过使用NumPy中的reshape函数生成特征：
#像素特征
features = np.reshape(image, (660*450))
features.shape, features
(297000,)
数组([0.96470588,0.96470588,0.96470588,...,0.96862745,0.96470588, 0.96470588])
我们得到了该图像的特征，是一个长度为 297000的一维数组。
在该例子中，图像只有一个通道。可以将该方法应用在彩色图像上面吗？
特征提取方法 2：通道平均像素值
在上一节中，我们设置了参数 as_gray = True，所以图像只有一个通道，可以很容易地累加像素值。接下来删除参数并再次加载图像：
image = imread('puppy.jpeg')
image.shape
(660,450,3)
该图像的大小是（660,450,3），其中的3是通道数量。我们可以使用上面的方法提取特征。在这种情况下，特征的数量将是660 * 450 * 3 = 891000。
或者，也可以使用另一种方法：
生成一个三个通道像素的平均值的新矩阵，而不是直接使用三个矩阵的像素值。
如下图所示：
这样处理之后特征的数量将保持不变，并且还考虑了图像的三个通道的像素值。在Python代码中，将创建一个大小为 660 x 450 的新矩阵，值初始化为0。这个矩阵会存储三个通道的平均像素值：
image = imread('puppy.jpeg')
feature_matrix = np.zeros((660,450))
feature_matrix.shape
(660,450)
有一个三维矩阵（660 x 450 x 3），其中660是高度，450是宽度，3是通道数。使用for循环获得平均像素值：
for i in range(0,iimage.shape[0]):
for j in range(0,image.shape[1]):
feature_matrix[i][j] = ((int(image[i,j,0]) + int(image[i,j,1]) + int(image[i,j,2]))/3)
新矩阵具有相同的高度和宽度，但只有1个通道。然后就可以按照上一节中的方法进行特征提取，累加像素值获得一维数组：
features = np.reshape(feature_matrix, (660*450))
features.shape
(297000,)
特征提取方法3：提取边缘特征
观察下面的图像，然后识别图像中的对象：
你可以马上分辨出物体，狗，汽车和猫。在分辨每个物体时你考虑了哪些特征？形状可能是一个重要因素，其次是颜色或大小。计算机可以像我们一样识别形状吗？
类似的想法是将边缘提取为特征作为模型的输入。我们是怎样识别图像的边缘的？边缘一般是颜色急剧变化的地方。如下图：
这里突出了两条边。我们之所以识别出边缘，是因为颜色从白色变为了棕色（右图），棕色变为了黑色（左侧）。正如我们所知，图像是以数字的形式表示，因此可以寻找像素值发生剧烈变化的地方。
假设图像有以下矩阵：
为了识别某个像素是否是边缘，我们可以简单地减去像素相邻的值。对于这个例子，考虑值85，找到值89和78之间的差异，这个差异不是很大，可以认为该像素周围没有边缘。
现在考虑像素125：
由于该像素两侧的值之间的差异很大，因此可以得出结论，在该像素处存在显着的转变，所以它应该是边缘的一部分。
有各种卷积核可以提取图像的边缘。上面的方法可以使用Prewitt核（x轴方向）实现。下面是Prewitt核：
首先获取该像素周围的值，和卷积核（Prewitt核）相乘，获得最终值。由于一列是-1而另一列是1，因此这些值相当于获取差异。
还有其他类型的卷积核，下面是四种最常用的：
接下来使用代码提取图像的边缘特征：
#导入包
import numpy as np
from skimage.io import imread, imshow
from skimage.filters import prewitt_h,prewitt_v
import matplotlib.pyplot as plt
%matplotlib inline
#读取图像
image = imread('puppy.jpeg',as_gray=True)
#使用prewitt提取水平边缘
edges_prewitt_horizontal = prewitt_h(image)
#使用prewitt提取垂直边缘
edges_prewitt_vertical = prewitt_v(image)
imshow(edges_prewitt_vertical, cmap='gray')
